作为当今计算机视觉研究领域的重要组成部分之一,视频目标跟踪任务需要各个领域知识的综合运用,只有这样才能在遇到突发情况时做出快速地应对,进而实现鲁棒追踪目标。从目前深度学习的运用情况来看,最终整体目标置信度是其主要的研究及运用方向,而网络的中间特征及多样的跟踪方式则没有受到学术界的重视。因而,本文将着重研究如何通过网络与跟踪流程的运用来帮助提升算法性能。本文主要的研究如下:(1)提出了基于RGBD和稀疏学习的跟踪算法。首先在稀疏学习跟踪结构框架下的基础上,通过运用深度信息检测目标范围内的遮挡物;然后通过对检测获得的遮挡物区域分析,制作遮挡物模板;接着利用深度图像的特性和彩色图像的视觉特性,来描述目标外观的鲁棒特征;最后,提出了一种基于深度直方图分析的遮挡物检测方法,用来避免错误的模板更新。实验结果表明,该算法相比其它四种跟踪算法,在面对光照变化或是遮挡物时,对目标的跟踪效果都最好。(2)提出了基于深度学习的L1跟踪算法。利用固定摄像头下视频场景中一块利于分辨目标的区域构造训练样本,构建一个两路对称并且权重共享的深度卷积神经网路。在L1跟踪系统中,对目标候选特征利用训练好的深度网络来提取并进行稀疏表示,应对遮挡、光照变化等问题,达到提高鲁棒性的目的。实验结果表明,构建的新算法相比于其它五种算法,提高了鲁棒性,对目标的整体跟踪效果更好。(3)提出了基于多层PCA卷积滤波特征的跟踪算法。首先利用主成分分析法(PCA),将取片图像数据集的PCA特征向量作为卷积滤波器,然后利用特征匹配和粒子滤波进一步实现目标跟踪。实验结果表明,无论是面对强光照射还是有遮挡物等情况时,该算法都没有丢失目标,整体效果上表现出了很好的鲁棒性。